基于卷积神经网络的两轮车辆视频检测
发布时间：2021-09-04 04:55
近年来,智能交通系统对我国的交通管理起到了有力的监管作用,在我国引起了广泛的关注。而车辆检测技术更是智能交通的一个研究的热点,并取得了一定的研究成果。传统的车辆检测方法是通过人工提取特征,并不适用于复杂多变的交通环境;而基于深度学习的车辆检测方法可以自动学习多种环境下的目标特征,泛化性较强,对复杂的交通环境具有较强的适用性。在交通系统中,两轮车辆的违规现象较多,且较容易引发交通事故,所以对两轮车辆的检测迫在眉睫。本文结合国内外的研究现状,将采用基于改进的Faster R-CNN框架对交通视频中的两轮车辆进行检测,具体的研究内容如下:1.对国内外一般车辆和两轮车辆的检测技术进行了研究,并将传统方法和深度学习方法进行了对比,充分了解它们的优点和缺点。2.针对Faster R-CNN算法对小尺度两轮车辆的检测存在的漏检问题,本文对Faster RCNN模型做以下改进:首先针对两轮车辆数据集对锚框的尺寸进行修改,其次为了弥补小目标细节特征的丢失,在提取特征时将不同卷积层的特征进行融合,从而提高模型对小尺度两轮车辆的敏感度,提升模型的表达能力。3.针对Faster R-CNN算法对小尺度两轮车辆...
【文章来源】：江西理工大学江西省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
LeNet网络结构图
图3.1R-CNN 模型的框图R-CNN 模型的具体检测流程如下:(1)通过 SS 方法再待检测图像上生成候选区域；(2)将这些候选区域缩放到同一尺度，然后串联在一起；(3)将串联后的候选区域输送到 CNN 提取特征；(4)将提取到的特征输送到 SVM 分类器和边框回归，进行分类和位置精修。3.1.2 选择性搜索算法SS算法首先通过分割算法将图像进行分割，产生很多子区域，然后根据这些子区域的相似度合并这些区域，生成一些大的区域，重复合并小区域的过程，最后整个图像会合并成一个区域，然后用外接矩形将每一个区域框起来，这样就得到了很多包含物体的边框，对每一个框进行打分，从而选出候选区域。执行过程如下：(1) 输入图像，然后通过分割算法，分割输入的图像，生成最初的区域集 1 2, ,...nR r r r ；(2)根据子区域的纹理和形状等信息，计算出 R 集里面任意相邻区域的相似度，组成相
第三章 基于区域卷积神经网络的两轮车辆检测方法类器进行分类处理，然后再通过边框回归算法对边框位置进行精修。将本文采集到的真实交通场景下的两轮车辆数据集在R-CNN模型下进行训练，具体的训练步骤如下所示：(1)通过在数据集ImageNet上预训练的网络权值对CNN进行初始化；(2)通过本文采集到的真实交通场景下的两轮车辆数据集,对初始化好的CNN进行微调。(3)通过SS方法生成候选区域，然后将这些候选区域输送到微调后的CNN中进行特征提取，然后将这些提取到的特征保存起来；(4)将保存的特征输送到SVM分类器，进行分类器训练。将测试集输入到训练好的模型中进行测试，效果图如图3.6所示。
【参考文献】：
期刊论文
[1]基于特征光流的多运动目标检测跟踪算法与评价[J]. 屈治华,邵毅明,邓天民. 科学技术与工程. 2018(22)
[2]基于组合前景提取的混合交通两轮车辆视频检测[J]. 邝先验,王成坤,许伦辉. 交通运输系统工程与信息. 2014(05)
[3]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[4]基于改进的Adaboost算法和帧差法的车辆检测方法[J]. 刘洋,王海晖,向云露,卢培磊. 华中科技大学学报(自然科学版). 2013(S1)
[5]基于粒子群算法和云模型的车型识别[J]. 唐朝霞,俞扬信,张粤. 微电子学与计算机. 2013(11)
[6]基于视频的车辆检测与跟踪研究进展[J]. 钱志明,杨家宽,段连鑫. 中南大学学报(自然科学版). 2013(S2)
[7]基于视频的车辆检测算法综述[J]. 张晖,董育宁. 南京邮电大学学报(自然科学版). 2007(03)
本文编号：3382606
【文章来源】：江西理工大学江西省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
LeNet网络结构图
图3.1R-CNN 模型的框图R-CNN 模型的具体检测流程如下:(1)通过 SS 方法再待检测图像上生成候选区域；(2)将这些候选区域缩放到同一尺度，然后串联在一起；(3)将串联后的候选区域输送到 CNN 提取特征；(4)将提取到的特征输送到 SVM 分类器和边框回归，进行分类和位置精修。3.1.2 选择性搜索算法SS算法首先通过分割算法将图像进行分割，产生很多子区域，然后根据这些子区域的相似度合并这些区域，生成一些大的区域，重复合并小区域的过程，最后整个图像会合并成一个区域，然后用外接矩形将每一个区域框起来，这样就得到了很多包含物体的边框，对每一个框进行打分，从而选出候选区域。执行过程如下：(1) 输入图像，然后通过分割算法，分割输入的图像，生成最初的区域集 1 2, ,...nR r r r ；(2)根据子区域的纹理和形状等信息，计算出 R 集里面任意相邻区域的相似度，组成相
第三章 基于区域卷积神经网络的两轮车辆检测方法类器进行分类处理，然后再通过边框回归算法对边框位置进行精修。将本文采集到的真实交通场景下的两轮车辆数据集在R-CNN模型下进行训练，具体的训练步骤如下所示：(1)通过在数据集ImageNet上预训练的网络权值对CNN进行初始化；(2)通过本文采集到的真实交通场景下的两轮车辆数据集,对初始化好的CNN进行微调。(3)通过SS方法生成候选区域，然后将这些候选区域输送到微调后的CNN中进行特征提取，然后将这些提取到的特征保存起来；(4)将保存的特征输送到SVM分类器，进行分类器训练。将测试集输入到训练好的模型中进行测试，效果图如图3.6所示。
【参考文献】：
期刊论文
[1]基于特征光流的多运动目标检测跟踪算法与评价[J]. 屈治华,邵毅明,邓天民. 科学技术与工程. 2018(22)
[2]基于组合前景提取的混合交通两轮车辆视频检测[J]. 邝先验,王成坤,许伦辉. 交通运输系统工程与信息. 2014(05)
[3]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[4]基于改进的Adaboost算法和帧差法的车辆检测方法[J]. 刘洋,王海晖,向云露,卢培磊. 华中科技大学学报(自然科学版). 2013(S1)
[5]基于粒子群算法和云模型的车型识别[J]. 唐朝霞,俞扬信,张粤. 微电子学与计算机. 2013(11)
[6]基于视频的车辆检测与跟踪研究进展[J]. 钱志明,杨家宽,段连鑫. 中南大学学报(自然科学版). 2013(S2)
[7]基于视频的车辆检测算法综述[J]. 张晖,董育宁. 南京邮电大学学报(自然科学版). 2007(03)
本文编号：3382606
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3382606.html
